PatchTST
PatchTST ialah seni bina Transformer berasaskan tampalan untuk ramalan siri masa, diperkenalkan oleh Nie dan rakan-rakan pada tahun 2023, yang memotong setiap siri kepada tampalan bertindih yang dianggap sebagai token dan memproses saluran secara bebas. Ia mengimbangi kecekapan pengiraan dengan ketepatan yang kukuh pada ramalan ufuk panjang.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- Nie, Y., Nguyen, N. H., Sinthong, P. & Kalagnanam, J. (2023). A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. ICLR. link ↗
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L. & Jin, R. (2022). FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. ICML. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ms/deep-learning/patchtst
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Model ARIMA (Autoregresif Bersepadu Purata Bergerak)Ekonometrik↔ compare
- Ramalan Konformal untuk Peramalan Deret WaktuEkonometrik↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →